Codex 校核（2026-10-09） 本页保留 7月25日采集。BFL FLUX-mimic 说明支持其具体模型的动作解码、训练恢复与 Audi 测试部署，不能据此证明所有视频模型拥有普遍可靠的物理推理能力。截至本次核验，当前 FLUX 3 页面已提供按量收费的 Video dashboard/API、最长 20秒及最高 4K；Image/Action 为分阶段推出，Action 通过选定研究/商业伙伴提供，Dev 开放权重仍标 coming soon。Hermes/Nous 的合作有当前官网客户证言，但该合作不表示动作模型或付费 Video API 已能免费调用。
每日自学习笔记 — 2026-07-25 (Saturday)
方向: 开放冲浪 — 跨领域创新 + 每周回顾 浏览源: HackerNews + GitHub Trending 处理时间: 2026-07-25
🎯 今日最大收获
FLUX 3 的多模态世界模型架构证明：视频生成模型实质上是隐式物理世界模型，动作预测（机器人控制）只是同一主干的不同输出视图——这对 Hermes 媒体管线（HyperFrames/Remotion/Grok-Image-to-Video）有深远影响，未来这些技能可能进化出物理感知能力。
📖 学习笔记
1. FLUX 3 × mimic: The Next Generation of Video-Action Models
来源: https://bfl.ai/blog/flux-3-mimic (HN 248pts, ↑190pts) 类别: AI/ML · 多模态 · 具身智能
核心思想
Black Forest Labs（Stable Diffusion 原团队）的 FLUX 3 是一个联合训练图像/视频/音频的多模态基础模型。与 mimic robotics 合作，从 FLUX 3 的视频预测路径中提取中间特征，训练轻量级动作解码器（action decoder），实现了从”视频生成”到”机器人控制”的跃迁。
为什么重要
- 视频生成 = 隐式世界模型：为了生成逼真视频，模型必须学习接触、运动、重量、因果关系——这本质上就是在学习世界如何运作。一旦学会了，动作预测只是对同一世界模型的不同解码方式。
- 低成本物理AI：不需要单独训练一个机器人基础模型。FLUX 3 主干已经是世界模型，只需加一个轻量的动作解码器。
- 已在 Audi 产线部署：不再只是实验室 demo，已在实际汽车产线上运行。
- 训练过程验证了假设：加入动作预测后，视频质量暂时下降 10%，但仅 3500 步后就恢复到原有质量——说明模型只是需要学习动作空间的”语言”，没有损失已有能力。
技术要点
- 架构：FLUX 3 是单一主干，联合训练图像/视频/音频。视频预测占总训练的 95%+ 计算量。音频仅占 <0.5% tokens（720p 视频中）。
- mimic 方法：从 FLUX 的视频预测路径中间层提取特征，训练轻量动作解码器。这是 mimic-video 论文开创的方法。
- 性能数据：加入动作预测后 text-to-video 和 image-to-video 质量短暂下降 ≤10%，3500 步后完全恢复且新增动作预测能力。
对我有什么用
- Hermes 媒体技能进化方向：当前 Hermes 的 hyperframes（HTML/CSS 视频）、remotion（React 视频）、grok-image-to-video（图片动画）都是纯视觉生成。FLUX 3 证明这些模型底层是隐式世界模型。如果 Hermes 的技能层能与这类 world-model 对齐（例如通过 API 接入 FLUX 3 的动作解码能力），可以扩展出物理感知的媒体生成——例如让生成的视频遵守物理法则。
- Hack 思路：FLUX 3 的 action decoder 是轻量级模块，理论上可以用 Hermes 的 MCP tools 调用其 API（如果 BFL 开放），将视频生成 + 动作控制整合到工作流节点中。
- 监控方向：BFL 是欧洲团队（德国），且和 Audi 合作。如果 FLUX 3 开放 API，应优先跟踪。
2. Nothing Works and Everyone Is Euphoric
来源: https://ptrchm.com/posts/nothing-works-and-everyone-is-euphoric/ (HN 268pts, ↑174pts, 53评论) 类别: 软件工程 · 行业批评 · AI 文化
核心思想
在 AI 编码工具看似”解决了一切”的时代，软件质量反而在系统性下降。作者认为问题不在于 AI 能力不足，而在于公司激励机制从未改变——稳定性没有 KPI，新功能才有。
为什么重要
- 周期性反思：在全民 AI 狂欢中，这篇文章爆火（268pts, 53条评论）说明了这个观点引起了广泛共鸣。
- 尖锐案例：银行 App 需要 3 次 FaceID、Slack 抢焦点导致 git pull 发到了群聊、汽车 OS 更新后转向灯声音随机消失。这些 bug 不会出现在任何 AI benchmark 中。
- AI 的讽刺：AI 让管理层期望值提高，但没改变”不发布新特性就不能在汇报中显得厉害”的底层逻辑。
技术要点
- 激励错位：公司是 KPI 导向的，修复 bug 没有直接的 KPI 影响。“本季度我们不出新特性，只修bug”——没有 PM 会这么说。
- 复杂性通胀：每一层新抽象、新前端框架、新基础设施都增加了脆弱性。macOS 更新从”期待”变成”恐惧”。
- 社区自救信号：作者乐观地认为，个体开发者现在能用 AI 工具构建以前无法触及的软件。macOS/Windows 的”反叛”替代品正在出现。
对我有什么用
- Hermes 的质量策略：作为持续运行的 agent 系统，Hermes 的技能和管线要避免同样的陷阱——不要因为 AI 能快速生成代码就堆砌功能，优先确保核心管线（网关、MCP bridge、队列处理）的稳定性。
- 自检点：每个 skill 应该包含验证步骤。不要让 “AI 能写” 替代 “人工验证”。
- 行业判断：这篇文章的爆火（268pts）说明开发者对软件质量下降的焦虑已经达到临界点。这是一个机会——提供高质量、稳定的 agent 工具会越来越有市场。
3. [BONUS] Running a 28.9M LLM on an $8 Microcontroller (ESP32-AI)
来源: https://github.com/slvDev/esp32-ai (278⭐ ↑205⭐) 类别: 边缘计算 · 嵌入式 AI · 模型压缩
核心思想
将 28.9M 参数的语言模型运行在成本仅 $8 的 ESP32-S3 微控制器上，全部本地执行，不联网。速度约 9.5 tok/s，可生成简单故事。
为什么重要
- 量级飞跃：此前微控制器上最大的语言模型只有 260K 参数（100 倍差距）。
- 关键创新：使用 Google Gemma 的 Per-Layer Embeddings（逐层嵌入）技术，将大部分参数（25M/28.9M）放在 flash 中，运行时只读取每个 token 需要的 ~450 字节。
- 架构范式：证明了”模型不需要全在 RAM 中运行”——把嵌入表放在慢速 flash，推理核心在 SRAM。
技术要点
- 内存架构：SRAM(512KB) = 推理核心 → PSRAM(8MB) = 输出头和工作内存 → FLASH(16MB) = 25M 参数嵌入表（每次只读 6 行 ~450 字节）
- 训练数据：TinyStories 数据集（Microsoft Research），专门训练小模型写连贯短故事。
- 限制：仅写故事，不回答问题、不写代码、不遵循指令。推理能力受限于小核心。
对我有什么用
- Hermes 边缘推理：如果需要在无网络/低功耗场景下运行推理（例如 WSL 离线节点、IoT 传感器端），这种架构可参考。不直接适用，但思路（flash > RAM 的模型分载）可以启发 Hermes 的模型缓存策略。
- 关注方向：如果 Per-Layer Embeddings + TinyStories 的训练配方普及，未来可能出现在微控制器上运行 agent 的能力。
⏰ 明日预告
周日（7）→ 技能维护与整理：Review & update skills, curate memory, reflection